从零开始搭建树莓派+intel movidius 神经元计算棒2代深度学习环境
摘要
本文从零开始搭建，从烧写树莓派的系统开始，到最后用计算棒跑人脸检测。本教程适用二代的计算棒，不适合一代的计算棒。
参考： https://software.intel.com/en-us/articles/OpenVINO-Install-RaspberryPI
材料硬件：
1、 树莓派3B+
2、 intel movidius 神经元计算棒2代
3、 显示器、鼠标键盘、读卡器、用于做树莓派系统盘的16GTF卡
4、 烧写树莓派系统用的PC（win10）
步骤：
1、 下载树莓派镜像并解压
树莓派系统镜像使用Stretch版本——2018-11-13-raspbian-stretch，其他低于这个版本的没有尝试过可不可行
下载链接： http://downloads.raspberrypi.org/raspbian_latest
参考： http://shumeipai.nxez.com/download#os
下载并解压出img文件
2、 烧写镜像
插入16G TF卡，格式化，打开镜像烧写软件Win32DiskImager.exe加载镜像，进行下载： 
点write，再yes 
烧写成功。不要管格式化警告，直接取消，拔出TF卡
烧写参考： http://bbs.eeworld.com.cn/thread-503614-1-1.html?_t=t
3、 启动树莓派
把TF卡插上树莓派，其他的显示器、鼠标键盘也插好，然后树莓派上电 
红绿指示灯都会闪就表示系统启动成功，然后等待显示器显示桌面
4、 配置树莓派
安装界面的引导配置好树莓派： 
接下来打开首选项配置硬件 
重启，配置完成
然后进行换源，这样下载速度会快一点稳定一点：
使用管理员权限，执行
leafpad /etc/apt/sources.list
在打开的文件中，用#注释掉原文件内容，用以下内容取代：
deb http://mirrors.tuna.tsinghua.edu.cn/raspbian/raspbian/ stretch main contrib non-free rpi
deb-src http://mirrors.tuna.tsinghua.edu.cn/raspbian/raspbian/ stretch main contrib non-free rpi
保存，退出。
使用管理员权限执行：
leafpad /etc/apt/sources.list.d/raspi.list
用#注释掉原文件内容，用以下内容取代：
deb http://mirror.tuna.tsinghua.edu.cn/raspberrypi/ stretch main ui
deb-src http://mirror.tuna.tsinghua.edu.cn/raspberrypi/ stretch main ui
保存，退出。
使用sudo apt-get update命令，更新软件源列表，同时检查您的编辑是否正确。
完成，换成了清华大学的软件源。 
5、 安装cmake
再后面的安装中需要cmake，要先安装，执行：
apt install cmake
到这里树莓派的配置就完成了，接下来要开始计算棒toolkit的安装了
6、 下载OpenVINO toolkit for Raspbian安装包：
https://download.01.org/openvinotoolkit/2018_R5/packages/l_openvino_toolkit_ie_p_2018.5.445.tgz
本次使用的版本是2018.5.445，安装请在下面链接中查看最新的安装包版本：
https://software.intel.com/en-us/articles/OpenVINO-Install-RaspberryPI 
下载完后包位于Downloads/目录下，打开命令行
cd ~/Downloads/
解压包：
tar -xf l_openvino_toolkit_ie_p_2018.5.445.tgz
7、 配置路径与环境
执行以下命令，会自动对setupvars.sh文件做修改
sed -i "s|<INSTALLDIR>|$(pwd)/inference_engine_vpu_arm|" inference_engine_vpu_arm/bin/setupvars.sh
再配置环境，有两种做法
一种是临时的，只对该次的窗口有效
source inference_engine_vpu_arm/bin/setupvars.sh
还有永久性的，执行：
leafpad /home/pi/.bashrc
打开.bashrc文件，再最后一行添加一句：
source /home/pi/Downloads/inference_engine_vpu_arm/bin/setupvars.sh
保存，再打开一个新的终端，如果出现：
[setupvars.sh] OpenVINO environment initialized
就表示成功了
8、 添加USB规则
将当前Linux用户添加到users组：
sudo usermod -a -G users "$(whoami)"
注：这里要说的是我们现在是root用户，如果打开新窗口的话起始用户是pi，所以出现[ setupvars.sh] OpenVINO environment initialized，是对于pi用户来说的，如果在新窗口中用root执行程序，其实并没有成功加载[ setupvars.sh] OpenVINO environment initialized，需要自己再执行一遍
source /home/pi/Downloads/inference_engine_vpu_arm/bin/setupvars.sh，才能给root用户配置好OpenVINO environment initialized。这一点要特别注意，很细节的东西，我在这里折腾了好久。
接下来配置USB规则，执行：
sh inference_engine_vpu_arm/install_dependencies/install_NCS_udev_rules.sh
到这里就成功安装好计算棒所需的所有东西了
9、 demo测试验证安装是否成功
构建和运行对象检测示例，这个例子是执行人脸检测的。
转到包含示例源代码的文件夹：
cd inference_engine_vpu_arm/deployment_tools/inference_engine/samples
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release -DCMAKE_CXX_FLAGS="-march=armv7-a"
make -j2 object_detection_sample_ssd
编译完成后下载网络和权重文件：
wget --no-check-certificate https://download.01.org/openvinotoolkit/2018_R4/open_model_zoo/face-detection-adas-0001/FP16/face-detection-adas-0001.bin
wget --no-check-certificate https://download.01.org/openvinotoolkit/2018_R4/open_model_zoo/face-detection-adas-0001/FP16/face-detection-adas-0001.xml
然后自己在网上找一张人脸的图片，执行
./armv7l/Release/object_detection_sample_ssd -m face-detection-adas-0001.xml -d MYRIAD -i <path_to_image>
#<path_to_image>是人脸图片的绝对路径
如果运行成功，会在build文件夹下输出一副out_0.bmp图片： 
到这里表示计算棒运行成功！
10、 Opencv + python api调用方法：
有时候我们是在python下做开发，这里也有提供了Opencv + python的运行例子
新建一个文件夹，先建立一个face_detection.py文件，写入：
import cv2 as cv
# Load the model
net = cv.dnn.readNet('face-detection-adas-0001.xml', 'face-detection-adas-0001.bin')
# Specify target device
net.setPreferableTarget(cv.dnn.DNN_TARGET_MYRIAD)
# Read an image
frame = cv.imread('/path/to/image')
# Prepare input blob and perform an inference
blob = cv.dnn.blobFromImage(frame, size=(672, 384), ddepth=cv.CV_8U) net.setInput(blob)
out = net.forward()
# Draw detected faces on the frame
for detection in out.reshape(-1, 7):
confidence = float(detection[2])
xmin = int(detection[3] * frame.shape[1])
ymin = int(detection[4] * frame.shape[0])
xmax = int(detection[5] * frame.shape[1])
ymax = int(detection[6] * frame.shape[0])
if confidence > 0.5:
cv.rectangle(frame, (xmin, ymin), (xmax, ymax), color=(0, 255, 0))
# Save the frame to an image file
cv.imwrite('out.png', frame)
在文件夹中放入刚刚我们下载的那两个文件：face-detection-adas-0001.bin和face-detection-adas-0001.xml
还有用于检测用的脸的图片face.jpeg
此时是在root权限下，我们执行：
source /home/pi/Downloads/inference_engine_vpu_arm/bin/setupvars.sh
然后执行：
python3 face_detection.py
程序成功运行没报错，则表示运行成功，然后我们会在文件夹下看见输出结果，检测成功
